SVM（支持向量机）
支持向量机（Support Vector Machine，SVM）是一种用于分类和回归分析的监督学习模型，在机器学习领域中被广泛应用。SVM的目标是找到一个最佳的分割超平面，将不同类别的数据分开，使得两个类别之间的间隔（即边界）最大化。下面是对SVM的详细解释：
SVM的基本概念
-
超平面（Hyperplane）：
-
在二维空间中，超平面是将平面分为两部分的直线
-
在三维空间中，超平面是将空间分为两部分的平面
-
在更高维度的空间中，超平面是将该空间分为两部分的一个n-1维的子空间
-
-
支持向量（Support Vectors）：
-
支持向量是离分割超平面最近的那些数据点
-
这些点是最重要的，因为它们定义了超平面的位置和方向
-
移动这些点将会改变超平面的位置
-
-
间隔（Margin）：
-
间隔是指支持向量与超平面之间的距离
-
SVM的目标是最大化这个间隔，以提高分类器的鲁棒性和泛化能力
-
SVM的核函数（Kernel Function）
SVM可以通过使用核函数将输入数据映射到高维空间，在高维空间中，原本非线性可分的数据可以变成线性可分的。常见的核函数包括：
-
线性核（Linear Kernel）：适用于线性可分的数据。
-
多项式核（Polynomial Kernel）：用于非线性数据。
-
径向基函数核（RBF Kernel）：也称高斯核，常用于非线性数据。
-
Sigmoid核（Sigmoid Kernel）：模拟神经网络的激活函数。
SVM算法工作原理
-
训练阶段：
-
给定训练数据集，SVM通过求解一个优化问题，找到最大化间隔的分割超平面。
-
该优化问题通常是一个凸二次规划问题，可以通过各种优化算法求解。
-
-
分类阶段：
-
对于新的数据点，SVM根据其与分割超平面的相对位置进行分类。
-
数据点落在超平面一侧的属于一个类别，落在另一侧的属于另一个类别。
-
SVM的数学描述
假设我们有一个训练数据集 ( (x_1, y_1), (x_2, y_2), ···, (x_n, y_n) )，其中 ( x_i ) 是特征向量，( y_i ) 是对应的类别标签，取值为 ( {+1, -1} )。
SVM的优化目标是：
其中，( w ) 是超平面的法向量，( b ) 是偏置项。
SVM的优缺点
优点：
-
能够有效处理高维空间的数据。
-
在样本数量远大于特征数量的情况下仍然有效。
-
具有较好的泛化能力，能够防止过拟合。
缺点：
-
对于大规模数据集，训练时间较长。
-
对于含有噪声的数据表现较差，尤其是在类别重叠的情况下。
-
SVM的参数选择和核函数的选择需要经验和实验。
示例代码1
使用Python的scikit-learn库实现SVM分类器进行二维点的分类。
import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import classification_report, accuracy_score
import matplotlib.pyplot as plt
# 加载Iris数据集
iris = datasets.load_iris()
X = iris.data[:, :2] # 仅使用前两个特征进行可视化
y = iris.target
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 数据标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# 创建和训练SVM分类器
clf = SVC(kernel='linear', C=1.0)
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 计算准确率和分类报告
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy:.2f}')
print(classification_report(y_test, y_pred))
# 可视化决策边界
def plot_decision_boundary(clf, X, y):
h = .02 # 网格步长
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, alpha=0.8)
plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', marker='o')
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.title('SVM Decision Boundary')
plt.show()
plot_decision_boundary(clf, X_test, y_test)
结果可视化：
上图中有部分点被错误的分类了，分类错误可能由以下原因引起：数据中存在噪声和异常值、数据本身在当前维度下不可分、训练数据量不足或特征选择不当、模型参数设置不合理、类别不平衡问题、以及模型过拟合或欠拟合。这些因素都会影响模型的准确性和泛化能力，导致在某些数据点上出现分类错误。
示例代码2
使用SVM进行三维数据分割。
import numpy as np
from sklearn import datasets
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 在Jupyter Notebook中启用交互模式
%matplotlib notebook
# 生成合成数据集
np.random.seed(42)
X, y = datasets.make_classification(
n_samples=100, n_features=3, n_informative=3, n_redundant=0, n_clusters_per_class=1
)
# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 数据标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)
# 创建和训练SVM分类器
clf = SVC(kernel='linear', C=1.0)
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy:.2f}')
# 可视化决策边界
def plot_decision_boundary_3d(clf, X, y):
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 设置网格范围
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
z_min, z_max = X[:, 2].min() - 1, X[:, 2].max() + 1
xx, yy = np.meshgrid(
np.arange(x_min, x_max, 0.1),
np.arange(y_min, y_max, 0.1)
)
# 计算平面上的决策函数值
zz = (-clf.intercept_[0] - clf.coef_[0][0] * xx - clf.coef_[0][1] * yy) / clf.coef_[0][2]
# 绘制决策平面
ax.plot_surface(xx, yy, zz, alpha=0.3, color='r', edgecolor='none')
# 绘制数据点
scatter = ax.scatter(X[:, 0], X[:, 1], X[:, 2], c=y, cmap=plt.cm.viridis, edgecolors='k')
legend1 = ax.legend(*scatter.legend_elements(), title="Classes")
ax.add_artist(legend1)
ax.set_xlabel('Feature 1')
ax.set_ylabel('Feature 2')
ax.set_zlabel('Feature 3')
ax.set_title('SVM Decision Boundary in 3D')
# 允许图形旋转
ax.view_init(elev=30, azim=30)
plt.show()
plot_decision_boundary_3d(clf, X_test, y_test)
结果可视化：
从上面的结果可以看出SVM正确分割了两类空间中的点。以上内容总结自网络，如有帮助欢迎转发，我们下次再见！
